共查询到19条相似文献,搜索用时 281 毫秒
1.
以昆明市东北部地区的TM影像为材料,通过分析主要地物的光谱特征,进行波段间的相互运算,建立相应的决策树模型,对地物进行分类,并对分类结果进行精度评价。结果表明:决策树分类法的总体精度为77.0%,比传统的分类方法如最大似然法提高了6.3%,能有效地提高影像的分类精度。 相似文献
2.
基于最小二乘支持向量机的无人机遥感影像分类 总被引:1,自引:0,他引:1
《江苏农业科学》2017,(9)
针对SVM容易出现过学习、泛化能力下降的问题,利用LSSVM在求解线性方程组时的自身优势,对高分辨率无人机多光谱影像进行地物分类识别。采用固定翼无人机搭载Micro MCA12 Snap多光谱相机,获取研究区域玛纳斯河畔的多光谱影像,首先利用最佳波段指数法与光谱信息、纹理信息结合得到最佳特征波段组合,从而降低数据维度,进而利用粒子群优化和网格搜索算法分别进行参数寻优并交叉验证方法对影像进行SVM和LSSVM对比试验。结果表明,Micro MCA12 Snap多光谱传感器所选择的1、6、11波段组合及NDVI、NDWI、Mean特征信息组合,粒子群优化LSSVM分类的总体精度较网格搜索LSSVM高0.092%,Kappa系数高0.006;粒子群优化LSSVM分类的总体精度较粒子群优化SVM分类高2.021%,Kappa系数高0.008。试验方法改善了各种地物特别是裸地与沙石的区分,是对该相机及特征组合进行分类的有效手段。 相似文献
3.
森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。 相似文献
4.
【目的】基于深度学习的分类方法是使用高分辨率遥感影像快速提取作物种植空间信息的新方法。【方法】以云南省陇川县甘蔗种植园为研究区,收集空间分辨率为0.5 m的Google Earth开放影像进行数据预处理,建立样本数据集,构建U-Net神经网络模型,训练模型参数;使用U-Net模型提取甘蔗种植空间信息,通过地面样方数据验证甘蔗提取精度。【结果】(1)基于深度学习方法的甘蔗分类总体精度和Kappa系数分别为92.76%和0.848 0,面积总精度为94.41%;平坝区、丘陵区分类精度存在差异,总精度和Kappa系数分别为97.10%、0.922 1和88.42%、0.767 3;(2)受部分地物RGB影像特征与甘蔗相似的影响,分类结果存在错分现象。【结论】基于U-Net神经网络模型的方法可用于高分辨率影像的甘蔗提取,更准确的分类精度还有待进一步研究和验证。 相似文献
5.
以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法(MLC)和支持向量机法(SVM)]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。 相似文献
6.
7.
8.
竹林遥感信息提取方法比较研究 总被引:3,自引:0,他引:3
以TM多光谱遥感影像为数据源,应用erdas软件提供的非监督分类、最大似然分类和子象元分类3种方法,对中国竹乡福建省顺昌县典型地物进行了分类和精度评价,研究结果表明,3种方法总体精度分别为:69.67%,78.00%,82.67%;Kappa系数分别为:63.6%,73.6%,79.2%。子像元分类法的总体精度和竹林识别精度均高于其他两种传统的分类方法,其竹林用户分类精度达80%,是进行竹林信息提取较为理想的方法。 相似文献
9.
本文选取珠海一号影像数据,以哨兵二号数据为参考,将平朔矿区按权属划分五个子研究区,采用面向对象结合最邻近特征的分类方法,融合光谱特征、纹理特征、植被指数等特征因子,对珠海一号矿区土地利用分类精度进行评价。研究结果表明:(1)珠海一号分类总体精度为78.87%,Kappa系数为0.7285;哨兵二号分类总体精度为78.38%,Kappa系数为0.7203,珠海一号分类精度略高于哨兵二号;(2)部分耕地、草地、裸地产生误分,可能由于选取影像成像时间过晚地物特征相似导致。总体来说,珠海一号高光谱数据光谱及空间分辨率高,具有应用于矿区生态监测、复垦区植被演替特征等研究的潜力。 相似文献
10.
草原荒漠化会严重破坏草原生态平衡,荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统,解决了原有草原调查方式上效率低与空间分辨率不足问题;构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题;与ResNet34、GoogLeNet、常规卷积神经网络模型进行对比,总体上HR-CNN模型表现更优,总体分类精度与Kappa系数分别为98.27%、96.63。在相同迭代次数条件下,模型构建速度上,HR-CNN相较其它三类模型分别提升65.88%、65.71%、13.77%。模型内存占有量上,HR-CNN相较其它三类模型分别降低92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索,可为后续草原地物分类提供新思路。 相似文献
11.
【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。 相似文献
12.
实时准确的蔬菜种植信息是实现水肥精准管理和产量准确估算的重要基础。对无人机多光谱影像进行分割,以光谱特征(spectrum features,SPEC)为基础,分别引入指数特征(index features,INDE)、纹理特征(grey-level co-occurrence matrix features,GLCM)和几何特征(geometric features,GEOM)构建8个分类方案(S1~S8),使用随机森林算法进行分类并分析分类效果。结果表明,方案S5(SPEC+GLCM+INDE)的分类效果最好,总体精度和Kappa系数分别为92.75%和0.92。几何特征的引入降低了分类精度,而纹理和指数特征则与其相反;仅依靠光谱、指数和纹理特征仍难以有效区分白菜和包菜,为提高精度后续研究有必要引入植株高度等特征;在4大类特征中,重要性排在首位的是光谱特征,其次为指数特征。基于无人机多光谱影像和随机森林算法能获得较高的蔬菜分类精度,并能确认影响精度的重要特征,可为其他作物的精准识别提供借鉴。 相似文献
13.
全极化雷达图像的最大优点是能够获取目标的全极化散射特征,从而使其在地表植被的分类和森林参数反演中具有较大的应用价值。以紫金山国家森林公园为研究对象,2011年的全极化雷达数据、典型地类野外调查数据为主要信息源,在PAULI、 SINCLAIR、 CLOUDE-POTTIER、 FREEDMAN-DURDEN四种目标特征值分解基础上,采用最大似然、支持向量机、神经元网络和随机森林4种方法进行监督分类。结果表明,5种组合中12个特征值组成的特征图像的最大似然分类的精度最高,总体分类精度为58.20%, CLOUDE-POTTIER、 FREEDMAN-DURDEN 总体分类精度较低,分别为51.86%、52.36%;4种分类方法中,12个特征值组合的图像的随机森林分类方法的总体分类精度最高,总体分类精度为74.29%,神经元网络的分类精度较低,总体分类精度为56.98%;6种地类中,针叶林、阔叶林和建筑的分类精度较高,草地、水体和裸地的分类精度较低。 相似文献
14.
基于ETM~+的遥感影像信息提取研究 总被引:2,自引:0,他引:2
以沈阳市苏家屯区为试验区,对ETM+图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的.利用光谱信息提取水体、植被;采用基于灰度共生矩阵的纹理量的分类法,通过TM5波段提取灰度共生矩阵和灰度联合矩阵,计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离,得到最终的分类结果.结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类,光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度. 相似文献
15.
16.
根据城市植被在IKONOS影像上的光谱、纹理、几何和位置响应特征,采用面向对象的方法对城市植被进行分类.首先,利用NDVI和蓝波段光谱响应值的阈值将实验区分割为植被和非植被区,然后针对植被区利用区域增长算法进行二级分割,生成植被对象;根据植被在IKONOS上的响应特征,选择形状指数、亮度值、绿波段的最大差值、红波段的平均值、近红外波段的比率、近红外波段的方差和对象重心的位置,即横纵坐标以及Homogeneity指数等9个指标构建特征空间;在此基础上,利用最大似然法识别城市植被类型,并利用专家知识对分类结果进行再组合.研究表明,利用这种方法获得的城市植被信息总精度达到87.37%,Kappa系数达到0.8267. 相似文献
17.
基于无人机可见光遥感影像的耕地精准分类方法研究 总被引:2,自引:0,他引:2
无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。 相似文献
18.
Landsat7 ETM+图像用作SPOT5图像森林分类的辅助数据研究 总被引:1,自引:1,他引:0
为改善面向对象的SPOT5图像分类精度,将Landsat7 ETM+数据作为辅助数据,试验了3种图像分割和对象特征提取方案,在图像分割、基于规则的分类、基于分类的分割和对象特征提取与筛选的基础上,进行了Bayes准则分类试验。结果表明:ETM+图像信息参与分类明显地提高了SPOT5图像的分类精度,但由于空间分辨率低,在森林分布破碎、类型和种类多样、结构复杂的研究区域,ETM+数据只能用于对象特征提取,不能实质性地参与图像分割,否则会导致图像对象边界不准确、同质性降低、异质性增加,影响图像分类精度。 相似文献
19.
《农业科学学报》2017,(2)
The successful launched Gaofen satellite no. 1 wide field-of-view(GF-1 WFV) camera is characterized by its high spatial resolution and may provide some potential for regional crop mapping. This study,taking the Bei'an City,Northeast China as the study area,aims to investigate the potential of GF-1 WFV images for crop identification and explore how to fully use its spectral,textural and temporal information to improve classification accuracy. In doing so,an object-based and Random Forest(RF) algorithm was used for crop mapping. The results showed that classification based on an optimized single temporal GF-1 image can achieve an overall accuracy of about 83%,and the addition of textural features can improve the accuracy by 8.14%. Moreover,the multi-temporal GF-1 data can produce a classification map of crops with an overall accuracy of 93.08% and the introduction of textural variables into multi-temporal GF-1 data can only increase the accuracy by about 1%,which suggests the importance of temporal information of GF-1 for crop mapping in comparison with single temporal data. By comparing classification results of GF-1 data with different feature inputs,it is concluded that GF-1 WFV data in general can meet the mapping efficiency and accuracy requirements of regional crop. But given the unique spectral characteristics of the GF-1 WFV imagery,the use of textual and temporal information is needed to yield a satisfactory accuracy. 相似文献